J'ai vu la même erreur se répéter une dizaine de fois ces deux dernières années.
Une direction décide d'investir dans l'IA. Elle consulte Gartner, regarde ce que font les concurrents, lit quelques articles sur Azure OpenAI ou AWS Bedrock. Deux mois plus tard, un prestataire est mandaté, un PoC est lancé — et six mois après, le PoC est abandonné.
Pas parce que la technologie était mauvaise. Mais parce qu'on a sauté l'étape zéro.
Le problème : on choisit la réponse avant de connaître la question
Choisir un stack IA sans audit de maturité, c'est comme choisir un ERP sans avoir cartographié ses processus métier.
On se retrouve avec :
- Une solution sur-dimensionnée pour des données insuffisantes
- Des équipes qui ne savent pas quoi faire de l'outil qu'on vient de leur livrer
- Des cas d'usage trop ambitieux pour la vraie maturité de l'organisation
- Un ROI inexistant — et une direction qui conclut que "l'IA, ça ne marche pas pour nous"
La réalité : l'IA fonctionne. Mais elle fonctionne si, et seulement si, les fondations sont là.
Les 4 dimensions d'une vraie maturité IA
Quand j'interviens pour un audit, j'évalue systématiquement quatre axes.
1. Les données
Sont-elles structurées ? Accessibles ? Nettoyées ? Volumineuses suffisamment ?
Un LLM n'a pas besoin de millions de lignes pour être utile — mais un pipeline RAG a besoin de documents cohérents, accessibles et récents. Si vos données sont cloisonnées dans cinq systèmes legacy sans API, votre PoC va droit dans le mur, peu importe le modèle choisi.
2. Les cas d'usage
Avez-vous des cas d'usage métier identifiés, avec des utilisateurs réels qui ont un problème réel ?
"Utiliser l'IA pour améliorer notre productivité" n'est pas un cas d'usage. "Réduire de 40 % le temps de réponse de notre support client en automatisant la catégorisation des tickets" en est un.
La différence entre les deux, c'est la mesurabilité.
3. Les compétences
Vos équipes peuvent-elles maintenir ce que vous allez construire ?
Ce n'est pas une critique — c'est un inventaire. Si votre stack data est aujourd'hui 100 % Python et que vous envisagez une solution en .NET avec Azure AI Foundry, il faudra prévoir la montée en compétences. Si vous n'avez personne capable de lire un embedding ou de comprendre un pipeline RAG, votre projet sera 100 % dépendant d'un prestataire externe ad vitam æternam.
4. La gouvernance
Avez-vous un cadre pour décider qui valide quoi ? Qui est responsable de la qualité des outputs ? Comment gérez-vous les erreurs du modèle en production ?
Sans gouvernance, même un projet techniquement réussi dérive.
Un outil simple pour commencer
Avant même de contacter un prestataire, vous pouvez faire un premier autodiagnostic. Voici un script Python minimal que j'utilise comme point de départ :
# Diagnostic rapide de maturité IA — 4 dimensions
# Notez chaque question de 1 (faible) à 5 (excellent)
DIMENSIONS = {
"Données": {
"poids": 0.30,
"questions": [
"Données métier accessibles via API ou export structuré ?",
"Qualité et fraîcheur des données maîtrisées ?",
"Référentiel documentaire centralisé et maintenu ?",
],
},
"Cas d'usage": {
"poids": 0.30,
"questions": [
"Cas d'usage identifiés avec métriques de succès ?",
"Utilisateurs finaux impliqués dans la définition ?",
"Backlog priorisé de cas d'usage IA ?",
],
},
"Compétences": {
"poids": 0.20,
"questions": [
"Équipes capables de maintenir une solution IA en production ?",
"Culture de l'expérimentation présente ?",
"Compréhension des concepts fondamentaux (embeddings, RAG) ?",
],
},
"Gouvernance": {
"poids": 0.20,
"questions": [
"Cadre de validation pour les outputs IA en production ?",
"RGPD et souveraineté des données adressés ?",
"Sponsor métier identifié pour piloter la transformation ?",
],
},
}
def diagnostiquer():
scores = {}
print("=== Diagnostic de maturité IA ===")
print("Notez chaque question de 1 (faible) à 5 (excellent)\n")
for dim, cfg in DIMENSIONS.items():
print(f"── {dim} ──")
notes = [int(input(f" {q}\n Note (1-5) : ")) for q in cfg["questions"]]
scores[dim] = sum(notes) / len(notes)
print()
score_global = sum(scores[d] * DIMENSIONS[d]["poids"] for d in scores) * 20
print("=== Résultat ===\n")
for dim, moy in scores.items():
niveau = "🔴 Insuffisant" if moy < 2.5 else "🟡 En développement" if moy < 3.5 else "🟢 Solide"
print(f" {dim:<20} {moy:.1f}/5 {niveau}")
print(f"\n Score global pondéré : {score_global:.0f}/100")
if score_global < 40:
print(" → Consolidez vos fondations avant tout investissement stack.")
elif score_global < 65:
print(" → Des quick-wins sont accessibles. Un audit structuré maximisera votre ROI.")
else:
print(" → Votre organisation est prête. Priorisez les cas d'usage à fort impact.")
if __name__ == "__main__":
diagnostiquer()
Ce qu'un audit de 2 semaines change concrètement
En deux semaines, je produis un état des lieux actionnable sur ces quatre axes :
- Une carte des cas d'usage priorisés (impact × faisabilité)
- Une évaluation objective de la maturité actuelle par dimension
- Des quick-wins identifiables en moins de 8 semaines
- Une roadmap technique 6–18 mois, avec estimation effort/valeur
- Des recommandations stack adaptées à votre contexte
L'objectif n'est pas de vous dire "Azure" ou "AWS". L'objectif est de vous dire : "Voici ce que vous êtes capables d'absorber maintenant, voici ce qui créera de la valeur en premier."
Pour les DSI qui hésitent encore
Deux semaines d'audit représentent 1 à 2 % du budget d'un projet IA moyen. En échange, vous obtenez une roadmap, des quick-wins identifiés et une garantie de ne pas allouer 200 K€ à un PoC qui finira dans un tiroir.
Si vous pilotez une transformation IA et que vous avez des doutes sur votre point de départ, échangeons. Le lien est dans ma bio.
Olivier Alessandri — Architecte IA & .NET · Mirakai Audit IA · Agents autonomes · Azure AI Foundry · Multi-agents .NET